শিখুন সংবাদ টুলস চাকরি মিশন

এআই শব্দকোষের মেয়াদ

শক্তিবৃদ্ধি শিক্ষা কী?

সংজ্ঞা

পুরষ্কার সংকেত দ্বারা প্রশিক্ষণ যেখানে একজন এজেন্ট দীর্ঘমেয়াদী রিটার্ন সর্বাধিক করে এমন ক্রিয়াগুলি শিখে।

সম্পূর্ণ AI শব্দকোষ ব্রাউজ করুন সমস্ত বিনামূল্যের এআই গাইড এক্সপ্লোর করুন

হিউম্যান ফিডব্যাক থেকে রিইনফোর্সমেন্ট লার্নিং (RLHF)একটি প্রশিক্ষণ পদ্ধতি যা মডেল আচরণকে আকার দিতে মানুষের পছন্দ সংকেত ব্যবহার করে।পুরস্কার মডেলএকটি মডেল যা পছন্দের সংকেতের উপর ভিত্তি করে আউটপুট স্কোর করে, প্রায়শই RLHF পাইপলাইনে ব্যবহৃত হয়।এআই এজেন্টএকটি সফ্টওয়্যার সিস্টেম যা লক্ষ্য অর্জনের জন্য পর্যবেক্ষণ, যুক্তি এবং পদক্ষেপ নিতে পারে, প্রায়শই সরঞ্জাম এবং মেমরি ব্যবহার করে।সাংবিধানিক এআইএকটি প্রশিক্ষণ এবং আচরণ-আকৃতির পদ্ধতি যেখানে মডেল আউটপুট লিখিত নীতিগুলির একটি নির্দিষ্ট সেট দ্বারা পরিচালিত হয়।এজেন্টিক লুপএকটি পুনরাবৃত্ত চক্র যেখানে একটি AI এজেন্ট একটি লক্ষ্য সম্পূর্ণ না করা পর্যন্ত বা একটি স্টপ শর্তে আঘাত না করা পর্যন্ত পর্যবেক্ষণ করে, পরিকল্পনা করে, কাজ করে এবং প্রতিফলিত করে।ডিপিও (ডাইরেক্ট প্রেফারেন্স অপ্টিমাইজেশান)একটি প্রশিক্ষণ পদ্ধতি যা একটি পৃথক পুরস্কার মডেলের প্রয়োজন ছাড়াই সরাসরি পছন্দের জোড়ায় মডেলগুলিকে সূক্ষ্ম-টিউন করে৷

আমাদের বিনামূল্যের গাইডে আরও জানুন

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

আরও দেখুন

Red Teaming Recommendation System Retrieval Recall RAG (Retrieval-Augmented Generation)Robustness Quantization Safety Filter